本文關(guān)鍵詞：骨干網(wǎng)網(wǎng)間流量特征分析與預(yù)測(cè)

  更多相關(guān)文章： 骨干網(wǎng) 分布式計(jì)算 網(wǎng)絡(luò)流量特征 網(wǎng)絡(luò)流量預(yù)測(cè)

【摘要】：近年來(lái),我國(guó)的移動(dòng)互聯(lián)網(wǎng)發(fā)展迅猛,已逐漸成為全球互聯(lián)網(wǎng)的重要組成部分。截止到2013年12月,我國(guó)網(wǎng)民規(guī)模達(dá)6.18億,互聯(lián)網(wǎng)普及率為45.8%。而移動(dòng)互聯(lián)網(wǎng)用戶數(shù)規(guī)模達(dá)5億,占全體網(wǎng)民的比例上升至81.0%。伴隨著移動(dòng)互聯(lián)網(wǎng)的高速發(fā)展,所暴露出來(lái)的問(wèn)題也日益突出。首先,不斷增加的移動(dòng)互聯(lián)網(wǎng)用戶數(shù)和各種新興業(yè)務(wù),使得移動(dòng)互聯(lián)網(wǎng)流量激增,網(wǎng)絡(luò)所承擔(dān)的壓力日益繁重,對(duì)網(wǎng)絡(luò)服務(wù)質(zhì)量與穩(wěn)定性有了更高的要求。其次,互聯(lián)網(wǎng)的網(wǎng)絡(luò)體系結(jié)構(gòu)越來(lái)越復(fù)雜,使得對(duì)于網(wǎng)絡(luò)整體負(fù)載、用戶行為、網(wǎng)絡(luò)流量整體趨勢(shì)等問(wèn)題都還缺乏深入的研究和精確的描述,從而嚴(yán)重影響了骨干網(wǎng)網(wǎng)絡(luò)資源的有效利用和移動(dòng)互聯(lián)網(wǎng)的進(jìn)一步發(fā)展。最后,移動(dòng)互聯(lián)網(wǎng)絡(luò)流量的指數(shù)型增長(zhǎng),使得傳統(tǒng)的流量分析方法已無(wú)法滿足海量數(shù)據(jù)的存儲(chǔ)和處理要求,需要引入更加可靠、更加高效的方式進(jìn)行處理。而Hadoop正是一個(gè)能夠?qū)Ａ繑?shù)據(jù)進(jìn)行可靠、高效的分布式處理的可擴(kuò)展開(kāi)源軟件框架,并已經(jīng)被越來(lái)越多的應(yīng)用于研究領(lǐng)域。 論文介紹了網(wǎng)絡(luò)流量分析與預(yù)測(cè)的意義,以及網(wǎng)絡(luò)流量分析與預(yù)測(cè)的研究現(xiàn)狀,描述了Hadoop分布式平臺(tái)和自主研發(fā)的省級(jí)骨干網(wǎng)數(shù)據(jù)處理系統(tǒng),分析了自主研發(fā)的省級(jí)骨干網(wǎng)數(shù)據(jù)處理系統(tǒng)的工作原理和工作流程。使用省級(jí)骨干網(wǎng)數(shù)據(jù)處理系統(tǒng),對(duì)骨干網(wǎng)網(wǎng)間流量從粗粒度(一個(gè)月)和細(xì)粒度(一天)兩個(gè)方面進(jìn)行特征分析,并從IP協(xié)議分布、大類業(yè)務(wù)分布、用戶在線時(shí)長(zhǎng)分布、應(yīng)用熱度分析、平均逗留時(shí)間分析和上網(wǎng)體驗(yàn)分析等方面對(duì)用戶行為分析。最后,論文研究了季節(jié)性差分自回歸移動(dòng)平均模型的原理和建模方法,對(duì)省級(jí)骨干網(wǎng)網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè),并對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。
【關(guān)鍵詞】：骨干網(wǎng) 分布式計(jì)算 網(wǎng)絡(luò)流量特征 網(wǎng)絡(luò)流量預(yù)測(cè)
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP393.06
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 緒論9-12
• 1.1 研究背景9-11
• 1.2 論文結(jié)構(gòu)11-12
• 第二章 網(wǎng)絡(luò)流量分析與預(yù)測(cè)綜述12-15
• 2.1 網(wǎng)絡(luò)流量分析與預(yù)測(cè)的意義12-13
• 2.2 網(wǎng)絡(luò)流量分析與預(yù)測(cè)的研究現(xiàn)狀13-15
• 第三章 基于Hadoop的網(wǎng)絡(luò)流量處理系統(tǒng)的實(shí)現(xiàn)15-28
• 3.1 網(wǎng)絡(luò)流量分析系統(tǒng)研究15-17
• 3.2 Hadoop平臺(tái)研究17-23
• 3.2.1 HDFS原理18-20
• 3.2.2 MapReduce原理20-21
• 3.2.3 Hbase原理21-22
• 3.2.4 工作流程22-23
• 3.3 省級(jí)骨干網(wǎng)數(shù)據(jù)處理系統(tǒng)研究23-28
• 3.3.1 系統(tǒng)架構(gòu)24-25
• 3.3.2 網(wǎng)絡(luò)拓補(bǔ)結(jié)構(gòu)25-26
• 3.3.3 工作流程26-28
• 第四章 省級(jí)骨干網(wǎng)網(wǎng)間流量特征分析28-44
• 4.1 數(shù)據(jù)說(shuō)明28-33
• 4.1.1 數(shù)據(jù)采集28-29
• 4.1.2 數(shù)據(jù)描述29
• 4.1.3 數(shù)據(jù)格式29-33
• 4.2 網(wǎng)間流量特征粗粒度分析33-35
• 4.2.1 總體流量分布33-34
• 4.2.2 上下行流量分布34-35
• 4.3 網(wǎng)間流量特征細(xì)粒度分析35-37
• 4.3.1 報(bào)文數(shù)分布35-36
• 4.3.2 報(bào)文長(zhǎng)度分布36-37
• 4.3.3 流持續(xù)時(shí)間分布37
• 4.4 用戶行為分析37-44
• 4.4.1 IP協(xié)議分布38
• 4.4.2 大類業(yè)務(wù)分布38-40
• 4.4.3 在線時(shí)長(zhǎng)分布40
• 4.4.4 應(yīng)用熱度分析40-41
• 4.4.5 平均逗留時(shí)間分析41-42
• 4.4.6 上網(wǎng)體驗(yàn)分析42-44
• 第五章 基于SARIMA模型的網(wǎng)間流量預(yù)測(cè)與評(píng)估44-56
• 5.1 SARIMA模型研究44-47
• 5.1.1 SARIMA模型背景44-45
• 5.1.2 SARIMA模型原理與適用范圍45-47
• 5.2 基于SARIMA的網(wǎng)間流量預(yù)測(cè)47-51
• 5.2.1 時(shí)間序列特征分析47-48
• 5.2.2 模型優(yōu)化48-50
• 5.2.3 模型評(píng)估50-51
• 5.3 預(yù)測(cè)結(jié)果評(píng)估51-56
• 5.3.1 數(shù)據(jù)描述51-52
• 5.3.2 模型預(yù)測(cè)52-53
• 5.3.3 預(yù)測(cè)結(jié)果53-54
• 5.3.4 結(jié)果評(píng)估54-56
• 第六章 總結(jié)與展望56-57
• 6.1 總結(jié)56
• 6.2 展望56-57
• 參考文獻(xiàn)57-59
• 致謝59-61
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄61

【共引文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 袁侖;流量分析與流記錄分析系統(tǒng)的研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2013年

2 吳倩;基于DPI與DFI的流量識(shí)別與控制系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2013年

3 柯正祥;基于Hadoop的移動(dòng)互聯(lián)網(wǎng)數(shù)據(jù)導(dǎo)入系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2014年

4 熊堅(jiān);網(wǎng)絡(luò)實(shí)時(shí)分析系統(tǒng)數(shù)據(jù)采集與傳輸分析模塊的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2015年

，

本文編號(hào)：771696